Die Frage, die niemand stellen sollte – und alle stellen
Vorstandssitzung. Ein Analyst präsentiert die Quartalszahlen. Der Vorstandsvorsitzende unterbricht nach der zweiten Folie:
„Welche Definition von Rohmarge nutzen Sie hier eigentlich?“
Der Analyst zögert. Er weiß, dass es mehrere Definitionen gibt. Er weiß nicht, welche die richtige ist.
Das ist kein Kompetenzproblem – es ist das Ergebnis einer systematischen Entwicklung:
Unternehmen scheitern nicht an fehlenden Daten – sondern daran, dass niemand mehr weiß, was ihre eigenen Zahlen bedeuten.
Wie Unternehmen die Bedeutung ihrer Zahlen verlieren – in fünf Stufen
Der Bedeutungsverlust passiert nicht plötzlich. Er entsteht schleichend, über Jahre, durch Entscheidungen, die jeweils für sich betrachtet rational erscheinen.
Planungsmeeting. Der CFO fragt nach dem Forecast für das nächste Quartal. Drei Versionen liegen vor – aus dem Bereich Finance, aus dem Vertrieb und aus der Unternehmensplanung. Alle drei basieren auf denselben Ausgangsdaten. Keine stimmt mit den anderen überein. Die Diskussion dauert 40 Minuten. Eine Entscheidung wird nicht getroffen.
Ein Beispiel aus der Praxis: Der Purchasing Cube
Ein Unternehmen migriert auf S/4HANA. Im Zuge der Migration soll der bisherige „Purchasing Cube“ neu aufgebaut werden – die zentrale Kennzahlengrundlage des Einkaufscontrollings, seit Jahren im Einsatz.
Das Projektteam fragt beim Einkaufscontroller nach:
- Wie genau wird der Cube berechnet?
- Welche Lieferanten sind enthalten?
- Wie werden Rahmenverträge berücksichtigt?
Kurze Pause. Dann: „Das hat damals ein Kollege aufgebaut. Der ist seit zwei Jahren nicht mehr im Unternehmen.“
Die Anforderung lautet: „Genauso wie bisher, aber im neuen System.“
Niemand kann mehr erklären, wie der alte Cube berechnet wird. Die Logik steckt in historisch gewachsenen SAP-Queries, Excel-Nachbearbeitungen und implizitem Wissen ehemaliger Mitarbeiter.
Das Ergebnis: Das neue System reproduziert nicht nur die Daten – es reproduziert auch die Unklarheit. Die KPI existiert weiter. Ihre Bedeutung ist verloren gegangen.
Warum KI das Problem nicht löst – sondern verstärkt
In vielen Unternehmen laufen Analytics- und KI-Initiativen parallel zu ungelösten Grundlagenproblemen im Reporting. Die Überzeugung: Technologie löst, was Organisation nicht gelöst hat.
Die Realität zeigt das Gegenteil.
KI skaliert keine Erkenntnisse – sie skaliert die Unklarheit, auf der sie trainiert wird.
Wie Bedeutung wiederhergestellt wird – fünf Maßnahmen
Bedeutungsverlust ist umkehrbar. Er braucht keine Systemmigration – er braucht organisatorische Entscheidungen.
| # | Maßnahme | Was konkret tun | Aufwand | Ergebnis |
| 1 | KPI-Inventur machen | Alle Steuerungskennzahlen erfassen. Für jede: Wer hat sie erstellt? Wo ist die Logik dokumentiert? Wer ist verantwortlich? Ein Spreadsheet genügt als erster Schritt | gering | Sichtbarkeit über den Ist-Zustand. |
| 2 | Bedeutung explizit machen | Für jede KPI schriftlich dokumentieren: Was misst sie genau? Was ist eingeschlossen, was nicht? Welche Ausnahmen gibt es? Das verfasst der Fachbereich – nicht die IT | mittel | Implizites Wissen wird explizit und reproduzierbar. |
| 3 | Owner benennen | Jede KPI bekommt einen namentlichen Verantwortlichen, der Änderungen genehmigt und Ausnahmen dokumentiert. Keine KPI ohne Owner. | gering | Änderungen werden kontrolliert. Kein stiller Drift mehr. |
| 4 | Versionierung einführen | KPI-Definitionen versionieren: Datum, Änderung, Grund, Entscheidungsverantwortlicher. So lässt sich später nachvollziehen, warum zwei Perioden nicht vergleichbar sind. | mittel | Historische Vergleiche werden wieder möglich. |
| 5 | Vor Systemwechsel: Bedeutung sichern | Vor jeder Migration alle kritischen KPIs dokumentieren, bevor das alte System abgeschaltet wird. Implizites Wissen geht sonst unwiederbringlich verloren. | mittel | Kein Wissensverlust bei Systemwechseln. |
Der gemeinsame Nenner aller fünf Maßnahmen: Es geht nicht darum, Daten zu verbessern. Es geht darum, Verantwortung herzustellen. Wer für eine Zahl verantwortlich ist, sorgt dafür, dass sie etwas bedeutet.
Was diese Serie gezeigt hat – und was bleibt
Sechs Artikel. Ein Muster:
| Teil | Thema | Kernthese | Problem-Ebene | Was es bedeutet |
| 1 | Warum Reporting-Anpassungen im Unternehmen so lange dauern - ... und was Controller konkret tun können | Reporting ist niemandes Produkt | Organisation | Verantwortung fehlt |
| 2 | Steuerungsparadox nach S 4HANA-Transformation | ERP modernisiert Buchung, nicht Steuerung | Architektur | Steuerungslogik nicht modelliert |
| 3 | Drei Reports. Drei Werte zur gleichen Kennzahl. Und keiner weiß, welche stimmt | Ohne Definition ist keine Zahl verlässlich | Governance | KPI-Ownership fehlt |
| 4 | Warum richtige Daten zu falschen Entscheidungen führen | Korrekte Buchungen ≠ vollständige Steuerungssicht | Datenbasis | Reports zeigen Ausschnitte, nicht Realität |
| 5 | Warum Self-Service-Reporting neue Probleme schafft | Flexibilität ohne Regeln = neue Fragmentierung | Tools & Nutzung | Mehr Dashboards = mehr Wahrheiten |
| 6 | Warum Unternehmen ihre eigenen Zahlen nicht mehr verstehen | Das Problem ist nicht Datenqualität – sondern Datenbedeutung | Semantik & Vertrauen | Ohne Bedeutung sind Daten nur Zahlen |
Die entscheidende Frage der Finance-Transformation lautet nicht: Haben wir die richtigen Systeme? Sondern: Haben wir die richtigen Bedeutungen?
Selbstcheck: Verstehen Sie Ihre eigenen Zahlen noch?
Drei Fragen für das nächste Strategie- oder Planungsmeeting:
- Können Sie für Ihre drei wichtigsten Steuerungskennzahlen auf Anhieb erklären, was genau darin enthalten ist – und was nicht?
- Gibt es für jede dieser Kennzahlen eine schriftliche Definition und einen namentlichen Verantwortlichen?
- Würde eine neue KI-Anwendung auf diesen Kennzahlen zuverlässige Ergebnisse liefern – oder würden sich die Ergebnisse bei der nächsten Neudefinition verschieben?
Wer zwei oder drei dieser Fragen nicht klar mit „Ja“ beantworten kann, hat kein Technologieproblem. Er hat ein Bedeutungsproblem.
Fazit: Daten ohne Bedeutung sind nur Zahlen
Moderne Unternehmen sind datenreich. Viele sind bedeutungsarm. Der Unterschied zeigt sich nicht im System – er zeigt sich im Meeting, wenn niemand erklären kann, was eine Zahl wirklich misst.
Die Serie hat gezeigt: Das Problem beginnt nicht bei der KI. Es beginnt dort, wo niemand mehr sagen kann, was eine Kennzahl bedeutet – und wer dafür verantwortlich ist.
Daten ohne Bedeutung sind nur Zahlen. Das ist kein datengetriebenes Management – das ist strukturiertes Raten.
Unternehmen, die stabile Reportingstrukturen aufbauen, KPI-Definitionen klären und Datenbedeutung organisatorisch verankern, schaffen die einzige Grundlage, auf der Analytics und KI tatsächlich funktionieren können. Nicht als einmaliges IT-Projekt – sondern als Daueraufgabe des Controllings.
